Базовая технология базы данных openGauss + архитектура и программирование процессора Ascend AI Глубокое понимание принципов и приложений технологии CANN + глубокое обучение и практика MindSpore Серия интеллектуальных вычислительных технологий Huawei
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
A8 9787302546610 9787302554530 9787302534525 9787302554530
(Этот набор содержит следующие книги и нажмите на название книги, чтобы купить один том)
Основная технология базы данных openGauss 9787302554530 цена: 79,00 юанейГлубокое обучение и практика разума 9787302546610 Цена: 79 юаней.
Название книги: Архитектура и программирование процессоров Ascend AI——В глубине понимания технологических принципов и применений CANN
Пресса: издательство Tsinghua University Press
ISBN: 9787302534525
Издание: 1
Упаковка: Тихий океан
Формат: 16
Время публикации: 2019-10-01
Бумага: пластическая версия бумага
Слова: 330000
Эта книга официально выпущена компанией Huawei!Сюй Чжицзюнь, временный председатель Huawei, Гао Вэнь, академик Китайской инженерной академии, и Мао Цзюнь, академик Китайской инженерной академии, выступили с предисловием!Раскройте тайну процессора искусственного интеллекта на архитектуре DaVinci и освойте использование мощной вычислительной мощности!Процессор Ascend AI — это первый в отрасли вычислительный чип искусственного интеллекта, который в будущем может применяться в различных сценариях искусственного интеллекта.Эта книга написана профессором Лян Сяояо из Шанхайского университета Цзяо Тонг при технической поддержке Huawei и содержит большое количество примеров выполняемых вычислений.Эту книгу можно использовать в качестве справочника для большинства инженеров искусственного интеллекта, а также в качестве справочника для специалистов по искусственному интеллекту, компьютерам и другим специальностям в колледжах и университетах.“Микропроцессор/микроконтроллер/чип искусственного интеллекта”и другие сопутствующие материалы курса.
Глава 1. Основная теория 00
1.1 Краткая история искусственного интеллекта 00
1.2 Введение в глубокое обучение 00
1.3 Теория нейронной сети 0
1.3.1 Модель нейронов 0
1.3.2 Машина восприятия 0
1.3.3 Multi -Layer Presception Machine 0
1.3.4 Служба нейронная сеть 0
1.3.5 Пример приложения 0
Глава 2. История отрасли 0
2.1 Статус нейронной сети чип 0
2.1.1CPU0
2.1.2GPU0
2.1.3TPU0
2.1.4FPGA0
2.1.5 AI-процессор Ascend 0
2.2 Теория ускорения чипа нейронной сети 0
2.2.1GPU Теория ускорения 0
2.2.2TPU Теория ускорения 0
2.3
2.3.1MindSpore0
2.3.2Caffe0
2.3.3TensorFlow0
2.3.4PyTorch0
2.4 Структура компиляции глубокого обучения——TVM0
Глава Аппаратная архитектура 0
3.1 Обзор процессора Ascend AI 0
3.2 Архитектура да Винчи 0
3.2.1 Единица расчета 0
3.2.2 Система хранения 0
3.2.3 Блок управления 0
3.2.4 Разработка набора команд 0
3.3 Принцип ускорения свертки 0
3.3.1 Ускорение свертки 0
3.3.2 Сравнение архитектуры 0
Глава Архитектура программного обеспечения 0
4.1 Обзор программного стека Shengteng AI 0
4.2 Работа программного обеспечения нейронной сети
4.2.1 Оркестратор процессов
4.2.2 Модуль предварительной обработки цифрового изображения
4.2.3 Тензорный двигатель ускорения (TBE)
4.2.4 Менеджер запуска
4.2.5 Планировщик задач
4.2.6 Менеджер кадров
.2.7 Приложение потока программного обеспечения нейронной сети
4.3 Инструменты разработки
4.3.1 Знакомство с функциями
4.3.2 Функциональная структура
4.3.3 Функции инструмента
Глава 5. Методы программирования.
5.1 Основы разработки глубокого обучения
5.1.1 Теория программирования глубокого обучения
5.1.2 Принципы оптимизации вывода глубокого обучения
5.1.3 Механизм вывода глубокого обучения
5.2 Технологии в стеке программного обеспечения Shengteng AI
5.2.1 Этап создания модели
5.2.2 Этап компиляции и развертывания приложения
5.3 Разработка специального оператора
5.3.1 Этапы разработки
5.3.2 Развитие операторов ЦП AI
5.3.3 Развитие основного оператора ИИ
5.4 Разработка индивидуальных приложений
Глава 6. Практические примеры
6.1 Критерии оценки
6.1.1 Точность
6.1.2 Коэффициент пересечения и объединения
6.1.3 Средняя точность
6.1.4 Пропускная способность и задержка
6.1.5 Коэффициент энергоэффективности
6.2 Распознавание изображений
6.2.1 Набор данных: ImageNet
6.2.2 Алгоритм: ResNet
6.2.3 Модельная практика миграции
6.3 Обнаружение цели
6.3.1 Набор данных: COCO
6.3.2 Алгоритм: YoloV3
6.3.3 Практика специального оператора
Приложение А Список сокращений
Приложение Сообщество разработчиков BAscend и загрузка данных
Приложение C. Введение в интеллектуальную платформу разработки ModelArts.
Название книги: Глубокое обучение и практика MindSpore
Автор: Чэнь Лэй
Цена: 79 юаней
Время печати: 1-1
ISBN: 9787302546610
Дата публикации: 2020.03.01
Эта книга систематически знакомит с теорией глубокого обучения и практикует ее на основе вычислительной среды MindSpore AI.Книга разделена на десять глав, охватывающих обзор глубокого обучения, теоретические основы, глубокую нейронную сеть, сверточную нейронную сеть, обучение без учителя, глубокое обучение с подкреплением, автоматизированное машинное обучение, совместное обучение терминала и облака, визуализацию, подготовку данных и т. д. Чтобы облегчить обучение читателей, в книге также представлены примеры разработки и онлайн-ресурсы глубокого обучения на основе MindSpore.Эту книгу можно использовать в качестве учебника для студентов и аспирантов в области искусственного интеллекта, интеллектуальной науки и технологий, информатики и технологий, электронной информационной инженерии, автоматизации и других специальностей в общеобразовательных колледжах и университетах.Он также подходит в качестве учебного пособия и справочника для инженеров-разработчиков программного обеспечения и научных исследователей, занимающихся работой, связанной с глубоким обучением.
Глава 1 Введение 00
1.1 Исторические изменения в искусственном интеллекте 00
1.2 Что такое глубокое обучение 00
1.3 Реальные применения глубокого обучения 00
1.3.1 Автоматическое распознавание речи 00
1.3.2 Распознавание изображений 00
1.3.3 Обработка естественного языка 00
1.3.4 Другие области 00
1.4 Организационная структура этой книги 00
1.5MindSpore Введение 00
1.5.1 Простое программирование 00
1.5.2 Совместная работа устройства и облака 0
1.5.3 Отладка проста 0
1.5.4Отличная производительность0
1.5.5 Открытый исходный код Открыть 0
Глава 2 Основы глубокого обучения 0
2.1 Алгоритм задачи регрессии 0
2.2 Алгоритм градиентного спуска 0
2.3 Алгоритм задачи классификации 0
2.4 Переоснащение и недостаточное оснащение0
Глава 3 Глубокие нейронные сети 0
3.1 Прямая сеть 0
3.2 Обратное распространение ошибки 0
3.3 Способность к обобщению 0
3.4 Используйте MindSpore для реализации простой нейронной сети 0
3.4.1 Описание параметров каждого слоя0
3.4.2 Подробные шаги 0
Оглавление
Глава 4 Обучение глубоких нейронных сетей 0
4.1 Основные проблемы, с которыми сталкиваются системы глубокого обучения 0
4.1.1 Требования к большим наборам данных 0
4.1.2 Требования к оборудованию 0
4.1.3 Переоснащение0
4.1.4 Оптимизация гиперпараметров0
4.1.5 Непрозрачность 0
4.1.6 Отсутствие гибкости0
4.2 Регуляризация 0
4.2.1Регуляризация нормы L20
4.2.2Регуляризация нормы L1 0
4.3Dropout0
4.4 Скорость адаптивного обучения 0
4.4.1AdaGrad0
4.4.2RMSProp0
4.4.3Adam0
4.5 Стандартизация партии 0
4.6 Использование MindSpore Реализация глубоких нейронных сетей 0
4.6.1 Описание параметров каждого слоя0
4.6.2 Подробные шаги 0
Глава 5. Сверточные нейронные сети 0
5.1 Операция свертки 0
5.2 Объединение 0
5.3 Остаточная сеть 0
5.4 Применение: класс изображения 0
5.5 Использование MindSpore для реализации классификации изображений на основе сверточной нейронной сети 0
5.5.1 Загрузка модуля MindSpore 0
5.5.2 Определить структуру сети ResNet 0
5.5.3 Установка гиперпараметра 0
5.5.4 Импорт набора данных 0
5.5.5 Модель обучения 0
Глава 6 Рекуррентные нейронные сети 0
6.1 Обзор рекуррентных нейронных сетей 0
6.2 Глубокая рекуррентная нейронная сеть0
6.3 Проблемы долгосрочной зависимости0
6.4 Сеть долговременной краткосрочной памяти и закрытая рекуррентная нейронная сеть 0
6.4.1 Сеть долговременной памяти 0
6.4.2 Вентируемая рекуррентная нейронная сеть0
6.5 Применение: прогнозирование текста0
6.6 Используйте MindSpore для реализации прогнозирования текста на основе сети долговременной краткосрочной памяти 0
6.6.1 Загрузка модуля MindSpore 0
6.6.2 Подготовка данных 0
6.6.3 Определить сеть 0
6.6.4 Введение параметров 0
6.6.5 Модель обучения 0
Ссылки 0
Глава 7. Обучение без учителя: вектор слова 0
7.1Word2Vec0
7.1.1 Предложить предысторию 0
7.1.2 Статус разработки 0
7.1.3 Технические принципы 0
7.1.4 Технические трудности 0
7.1.5 Сценарий применения 0
7.1.6 Рамочный модуль 0
7.2GloVe0
7.2.1 Предложить предысторию 0
7.2.2 Статус разработки 0
7.2.3 Технические принципы 0
7.2.4 Технические трудности 0
7.2.5 Сценарии применения
7.2.6 Модуль платформы
7.3Transformer
7.3.1 Предложите предысторию
7.3.2 Статус разработки
7.3.3 Технические принципы
7.3.4 Технические трудности
7.3.5 Сценарии применения
7.3.6 Модуль платформы
7.4BERT
7.4.1 Предложите предысторию
7.4.2 Статус разработки
7.4.3 Технические принципы
7.4.4 Технические трудности
7.4.5 Сценарии применения
7.4.6 Модуль платформы
7.5 Сравнение типичных алгоритмов генерации векторов слов
7.6 Применение: автоматический вопрос и ответ
7.6.1 Связанные понятия автоматического вопроса и ответа
7.6.2 Традиционный автоматический метод вопросов и ответов
7.6.3 Автоматический метод вопросов и ответов, основанный на глубоком обучении
7.7 Использование MindSpore Реализуйте автоматические вопросы и ответы на основе BERT.
7.7.1 Подготовка набора данных
7.7.2 Обучение сети BERT
Рекомендации
Глава 8. Обучение без учителя: векторный график
8.1 Введение в векторы-графики
8.2 Алгоритм DeepWalk
8.2.1 Принцип алгоритма DeepWalk
8.2.2 Реализация алгоритма DeepWalk
Алгоритм 8.3LINE
8.3.1 Принцип алгоритма LINE
8.3.2 Реализация алгоритма LINE
8.4 Алгоритм Node2Vec
8.4.1Принцип алгоритма Node2Vec
8.4.2 Реализация алгоритма Node2Vec
Алгоритм 8.5GCN
8.5.1 Принцип алгоритма GCN
8.5.2 Реализация алгоритма GCN
Алгоритм 8.6GAT
8.6.1 Принцип алгоритма GAT
8.6.2 Реализация алгоритма GAT
8.7 Применение: система рекомендаций
8.7.1 Рекомендательные системы в промышленности
8.7.2 Модель графовой нейронной сети в рекомендательной системе
Рекомендации
Глава 9. Обучение без учителя: Глубокие генеративные модели
9.1 Вариационный автоэнкодер
9.1.1 Предложите предысторию
9.1.2 Статус разработки
9.1.3 Технические принципы
9.1.4 Технические трудности
9.1.5 Сценарии применения
9.2 Генеративно-состязательные сети
9.2.1 Предложите предысторию
9.2.2 Статус разработки
9.2.3 Технические принципы
9.2.4 Технические трудности
9.2.5 Сценарии применения
9.2.6 Модуль платформы
9.3 Применение: увеличение данных
9.3.1 Определение улучшения данных
9.3.2 Цель улучшения данных
9.3.3 Традиционные методы улучшения данных
9.3.4 Метод улучшения данных на основе глубокого обучения
9.4 Используйте MindSpore для улучшения данных на основе генеративно-состязательных сетей
Рекомендации
Глава 10. Глубокое обучение с подкреплением
10.1 Основные концепции обучения с подкреплением
10.1.1Основные понятия и теории
10.1.2 Марковский процесс принятия решения
10.1.3 Уравнение Беллмана
10.2 Основные методы решения
10.2.1 Метод динамического программирования
10.2.2 Метод Монте-Карло
10.2.3 Метод разницы во времени
10.3 Алгоритм глубокого обучения с подкреплением
10.3.1 Алгоритм DQN
10.3.2 Алгоритм DDPG
10.3.3Алгоритм A3C
10.4 Последние приложения
10.4.1 Система рекомендаций
10.4.2 Азартные игры
10.5 Использование MindSpore для реализации игровых игр на основе DQN
Рекомендации
Глава 11. Автоматизированное машинное обучение
11.1 Платформа AutoML
11.1.1 Алгоритм NAS
11.1.2 Настройка суперпараметров
11.2 Введение в существующие системы AutoML
11.2.1AutoWeka/AutoSklearn/HyperOpt
11.2.2Microsoft NNI
11,3 юаня обучения
11.3.1 Оптимизатор обучения
11.3.2 Инициализация параметров обучения
11.3.3 Функция потерь обучения
11.3.4 Метрики обучения
11.4 Реализация AutoML с помощью MindSpore
Рекомендации
Глава 12. Синергия устройства и облака
12.1 Сквозное рассуждение
12.2 Обучение миграции устройств в облако
12.3 Интегрированное обучение с облаком устройств
12.3.1 Средний федеральный уровень
12.3.2 Градиентное сжатие
12.4 Структура совместной работы устройств и облака
Рекомендации
Глава 13. Визуализация глубокого обучения
13.1 Обзор визуализации глубокого обучения
13.1.1 Анализ данных
13.1.2 Создание и понимание модели
13.1.3 Обучение
13.1.4 Оценка
13.2 Практика визуализации MindSpore
13.2.1 Процесс визуализации
13.2.2 Визуализация набора данных
13.2.3 Модель и обучающая визуализация
13.2.4Сводный формат сводных данных
Рекомендации
Глава 14. Подготовка данных для глубокого обучения
14.1 Обзор форматов данных
14.2 Форматы данных в глубоком обучении
14.2.1 Необработанные входные данные
14.2.2 Информация на этикетке
14.3 Часто используемые форматы данных глубокого обучения
14.3.1 Формат TFRecord
14.3.2 Хранилище LMDB
14.3.3Формат записи
14.3.4Формат данных MindSpore
14.3.5Набор данных MindSpore
14.4. Использование формата данных MindSpore для подготовки обучающих данных.
14.4.1 Генерация формата данных MindSpore
14.4.2 Статистика и извлечение формата данных MindSpore
14.4.3 Чтение обучающих данных в формате данных MindSpore
Приложение A Глоссарий на китайском и английском языках
Приложение Технический документ BMindSpore
Рекомендации
Номер ISBN: 9787302554530
Заголовок: Основная технология базы данных OpenGAUSS
Автор: никто
Цена: 79,00 юаней
Это костюм: нет
Название издательства: Tsinghua University Press
Опубликованная дата: 2020-07
В этой книге систематически обсуждаются теория, технология и применение базы данных openGauss. Всего в этой книге 11 глав.Впервые он знакомит с историей развития баз данных, включая традиционные
Сетевая база данных, иерархическая база данных, реляционная база данных, база данных NoSQL, база данных NewSQL, облачная база данных, многорежимная база данных, распределенная база данных
Подожди.Во-вторых, он представляет язык структурированных запросов (SQL), синтаксис SQL, хранимые процедуры, триггеры, курсоры, спецификации проектирования баз данных, модели E-R и другие базы данных.
Основы. В этой статье еще раз представлены будущие тенденции развития баз данных, включая влияние нового оборудования, различных форм развертывания и новых приложений на базы данных. Наконец, сосредоточьтесь на
Основная технология openGauss включает в себя базовую архитектуру openGauss, технологию оптимизации для нового оборудования, такого как Kunpeng и Shengteng, механизм SQL и технологию приводов.
технология, технология хранения баз данных, механизм транзакций баз данных, безопасность баз данных, технология автономности баз данных и т. д. Чтобы помочь читателям освоить содержание обучения базам данных, эта книга
Каждая глава содержит краткое содержание и упражнения (включая ответы).
Прочитав эту книгу, читатели смогут получить более глубокое представление об истории развития и будущих тенденциях баз данных, архитектуре систем баз данных, технологиях оптимизации Kunpeng и Shengteng, данных.
Технология обработки транзакций базы данных, технология исполнителя базы данных, технология безопасности базы данных, так что основной код базы данных может быть разработан в будущем, и он также может быть лучше.
Разрабатывайте приложения с использованием баз данных.
Эту книгу можно использовать не только как справочник для студентов и аспирантов вузов при изучении баз данных, но и как справочник для университетов, научно-исследовательских институтов и других смежных подразделений, занимающихся исследованием данных.
Это справочник для преподавателей, преподающих теорию баз данных или научные исследования, а также исследователей, работающих над реализацией систем. Он также может использоваться корпоративными инженерами для разработки дополнительных баз данных и приложений.
Отправил ссылку.
Глава 1. История развития баз данных 00
1.1Сетевая база данных и иерархическая база данных00
1.2 Реляционная база данных 00
1.3 Распределенная база данных 00
1.4 Облачная база данных 00
1.5База данных NoSQL 00
1.6База данных NewSQL 0
1.7 Многорежимная база данных 0
Собственная база данных 1.8AI 0
1.9 Другие типы баз данных 0
1.10 Резюме 0
Упражнение 0
Глава 2. Язык структурированных запросов 0
2.1 Синтаксис SQL 0
2.1.1Тип данных 0
2.1.2 Определение схемы таблицы 0
2.1.3 Проверка целостности данных 0
2.1.4 Вставка, удаление и обновление данных 0
2.1.5 Простой запрос 0
2.1.6 Операция подключения 0
2.1.7 Операция сбора 0
2.1.8 Операции агрегирования и группировки 0
2.1.9 Создать индекс 0
2.1.10 Представления и материализованные представления 0
2.1.11 Контроль доступа 0
2.1.12 Оператор обработки транзакции 0
2.2 Хранимые процедуры и функции 0
2.2.1 Объявление хранимой процедуры 0
2.2.2 Модификация хранимых процедур 0
2.2.3 Объявление и модификация функций 0
2.3 Триггер 0
2.4 Курсор 0
2.4.1 Объявить курсор 0
2.4.2 Открыть курсор 0
2.4.3 Использование курсора 0
2.4.4 Закрыть курсор 0
2.5 Резюме 0
Упражнение 0
Глава 3 Проектирование базы данных и модель ER 0
3.1 Реляционная алгебра 0
3.1.1 Происхождение реляционной алгебры0
3.1.2 Операторы реляционной алгебры 0
3.1.3 Преобразование между реляционной алгеброй и SQL 0
3.2 Проектирование базы данных 0
3.2.1 Обзор структуры базы данных 0
3.2.2 Характеристики конструкции базы данных 0
3.2.3 Модель отношений сущностей: модель ER 0
3.2.4 Процесс проектирования базы данных 0
3.2.5 Стандартизированный дизайн базы данных 0
3.3 Ограничения базы данных 0
3.3.1 Целостность данных0
3.3.2 Операция ограничения 0
3.3.3 Ненулевое ограничение 0
3.3.4 Уникальное ограничение 0
3.3.5 Ограничение первичного ключа 0
3.3.6 Ограничение внешнего ключа 0
3.3.7 Условные ограничения 0
3.4 Резюме 0
Упражнение 0
Глава 4 Будущие тенденции развития баз данных 0
4.1 Новая аппаратная база данных (Куньпэн + Шэнтэн) 0
4.1.1 Архитектура процессора создает проблемы и возможности для систем баз данных 0
4.1.2 Быстрое развитие гетерогенных процессоров предложило новые направления для инноваций в системах баз данных0
4.2 Новая база данных, управляемая приложениями (5G, автомобиль, облако терминалов) 0
4.2.1 Проблемы и возможности, которые 5G и связанные с ним приложения привносят в системы баз данных 0
4.2.2 Проблемы и возможности, которые беспилотные транспортные средства привносят в системы баз данных 0
4.2.3 Проблемы и возможности, которые облако терминалов привносит в системы баз данных 0
4.3 Резюме 0
Упражнение 0
Глава 5 Архитектура GaussDB 0
5.1История развития GaussDB 0
5.1.1 Обзор 0
5.1.2 История базы данных GMDB в памяти
5.1.3 История базы данных GaussDB 100 OLTP
5.1.4 История базы данных GaussDB 200 OLAP
5.2 Обзор архитектуры GaussDB
5.2.1 Изменения в архитектуре базы данных
5.2.2 Ключевая техническая архитектура GaussDB
5.3 Архитектура базы данных GaussDB 100 OLTP
5.3.1 Дизайнерские идеи и целевые клиенты
5.3.2 Распределенная строго согласованная архитектура
5.3.3 Подключаемая архитектура механизма хранения данных
5.4 Архитектура базы данных GaussDB 200 OLAP
5.4.1 Дизайнерские идеи и целевые клиенты
5.4.2 Эффективная архитектура хранения и вычислений для анализа данных
5.4.3 Архитектура распределенных параллельных вычислений
5.4.4 Параллельная загрузка данных
5.5 Архитектура облачной базы данных GaussDB
5.5.1 Дизайнерские идеи и целевые клиенты
5.5.2 Эластично масштабируемая многопользовательская архитектура базы данных
5.6 Многорежимная архитектура базы данных GaussDB
5.6.1 Дизайнерские идеи и целевые клиенты
5.6.2 Многорежимная архитектура системы баз данных для обеспечения строгой согласованности данных
5.6.3 Многорежимная архитектура системы баз данных для максимальной производительности
5.7 Резюме
упражнение
Глава 6. Инновационная архитектура для Куньпэна и Шэнтэна
6.1 Знакомство с Куньпэном и Шэнтэном
6.2 Инновационная архитектура Кунпэна
6.3 Инновационная архитектура гетерогенных чипов AI Ascend
6.3.1 Знакомство с чипом Shengteng AI
6.3.2Технологические инновации openGauss в рамках чипа Shengteng AI
6.4 Интеллектуальный модуль планирования группы чипов
6.5 Резюме
упражнение
Глава 7. SQL-движок openGauss
7.1 Обзор движка SQL
7.2SQL-анализ
7.3 Оптимизация запросов
7.3.1 Переписывание запроса
7.3.2 Поиск пути
7.3.3 Оценка стоимости
7.4 Резюме
упражнение
Глава 8. Технология приводов openGauss
8.1 Обзор привода openGauss
8.2 Механизм исполнения openGauss
8.2.1 Процесс выполнения
8.2.2 Оператор выполнения
8.2.3 Вычисление выражения
8.3 Знакомство с расширенными функциями привода openGauss
8.3.1 Компиляция и выполнение
8.3.2 Механизм векторизации
8.4 Резюме
упражнение
Глава 9. Технология хранения openGauss
9.1 Обзор хранилища openGauss
9.2 Механизм хранения строк openGauss
9.2.1 Общая архитектура механизма хранения строк
9.2.2 Базовая модель и структура организации страниц хранения строк
9.2.3 Управление несколькими версиями хранилища строк и операций DML
9.2.4 Механизм MVCC на основе CSN
9.2.5 Освобождение места для хранения строк
9.2.6 Управление общим кэшем хранилища строк
9.2.7 Проектирование системы параллельного журналирования
9.2.8 Проектирование системы устойчивости и восстановления после сбоев
9.3 Механизм хранения колонок openGauss
9.3.1 Общая архитектура механизма хранения столбцов
9.3.2 Структура организации страниц хранилища столбцов
9.3.3 Проектирование MVCC хранилища столбцов
9.3.4 Разработка индекса для хранения столбцов
9.3.5 Адаптивное сжатие хранилища столбцов
9.3.6 Персистентный дизайн хранилища колонок
9.4 механизм памяти openGauss
9.4.1 Схема совместимости механизма памяти
9.4.2 Индекс механизма памяти
9.4.3 Параллельное управление механизмом памяти
9.4.4 Управление памятью и контроль механизма памяти
9.4.5 Сохранение механизма памяти
9.5 Резюме
упражнение
Глава 10. Механизм транзакций openGauss
10.1 Обзор транзакций openGauss
10.1.1 Явные транзакции и неявные транзакции
10.1.2 Отдельные транзакции и распределенные транзакции
10.2 Знакомство с функциями ACID транзакции openGauss
10.2.1 Сохранение транзакций в openGauss
10.2.2 Атомарность транзакции в openGauss
10.2.3 Согласованность транзакций в openGauss
10.2.4 Изоляция транзакций в openGauss
10.3 Управление параллелизмом openGauss
10.3.1 Управление параллелизмом чтения-чтения
10.3.2 Управление параллелизмом чтения и записи
10.3.3 Управление одновременной записью и записью
10.3.4 Управление параллелизмом и уровни изоляции
10.3.5 Параллельное управление свойствами объекта
10.3.6 Блокировки на уровне таблицы, облегченные блокировки и обнаружение взаимоблокировок
10.4 Распределенные транзакции openGauss
10.4.1 Атомарность распределенных транзакций и протокол двухфазной фиксации
10.4.2 Согласованность распределенных транзакций и глобальное управление транзакциями
10.5 Сводка
упражнение
Глава 11 Безопасность openGauss
11.1 Обзор механизма безопасности openGauss
11.2Сертификация безопасности openGauss
11.2.1 Информация о конфигурации клиента
11.2.2 Метод аутентификации сервера
11.2.3 Безопасный канал аутентификации
11.2.4 Протокол сертификации RFC5802
11.3Механизм управления ролями openGauss
11.3.1 Модель ролевого управления
11.3.2 Модель разделения властей
11.3.3 Контроль доступа к объектам
11.4openGauss Аудит и отслеживание
11.4.1 Механизм записи аудита
11.4.2 Механизм отслеживания аудита
11.4.3 Единый аудит
11.5 Технология защиты данных openGauss
11.5.1 Алгоритм шифрования данных
11.5.2 Технология снижения чувствительности данных
11.5.3 Технология прозрачного шифрования
11.5.4 Технология полного шифрования
11.6 Технология облачной безопасности openGauss
11.6.1IAM-аутентификация
11.6.2 Технология безопасного chroot
11.6.3 Технология защиты от несанкционированного доступа
11.7Интеллектуальный механизм безопасности openGauss
11.8 Резюме
упражнение
Приложение Ответ упражнения
Приложение B Список, связанный с базой данных
Приложение C Глоссарий
Рекомендации
На данный момент нет каталога
